1.盤古開天： 自帶算力的大模型
任正非說：我們即將進入第四次工業革命時代，其規模之大不可想象
第一次工業革命：蒸汽機時代；
第二次工業革命：電氣化時代；
第三次工業革命：信息化時代；
第四次工業革命，是AI帶給人類的顛覆性革命。可人工智能伴隨我們70多年，為什麼今天才進入AI革命紀呢？
因為AI大模型的出現，特別是生成式AI得到驗證後，通用性問題被解決：
人類和AI，將攜手創造一個全新世界。
所以，誰擁有優秀的AI大模型，誰可能就是第四次工業革命的「奇點」，誰就是未來世界的「母體」。
這也是華為為什麼一定要推出「盤古大模型」的原因，因為大模型決定你在AI世界的地位。
鴻蒙初辟，盤古開天。當然，AI大模型僅僅自己優秀還不夠，還需要算力支撐。就像再好的內燃機，也需要石油，而算力就是AI大模型的石油。
所以，任正非又補充了一句：基礎就是大算力
孟晚舟也在華為全聯接大會2023上說：持續打造算力底座。
誰擁有最強算力，誰就可能贏得AI時代。
華為擁有鯤鵬和昇騰根技術，紮根原子世界打造算力底座，讓來源於物理世界的算力不再卡AI數字世界的瓶頸。
現在看來，華為初步解決了AI的兩大痛點。
一是算力；二是大模型。算力是大模型的基石，而大模型是場景的基石。
但要在AI時代占據至高點，最大的困境其實是第三點：場景。
第四次工業革命的戰場在於大模型，
而大模型未來在於「場景」。
2.大模型背後的「痛點」：場景
ChatGPT出現之初，全世界為之驚艷。
一石激起千層浪，人類精英為AI的質變擊節讚嘆。
一時間之間，「AI大模型改變人類世界」、「AIGC帶來新盧德運動」、「60%的精英將被AI替代」這樣的言論衝擊着世界的每一個角落。
是的，生成式AI確實正在改變世界。
但是這些讓人拍案叫絕的產品，真的在商業上能形成閉環嗎？你喜歡它，但是你會持續用它嗎？你會為它付費嗎？
想一想，作為一個普通用戶，三個月前想方設法交錢的你，是不是很長時間沒有給ChatGPT付費了？
《Analytics India Magazine》指出
OpenAI 運行 AI 服務每天就要花掉70 萬美元。
儘管 Altman 一直努力推動 GPT轉為收益，但 OpenAI 仍遠未能達到收支平衡。
所以說，縱使強大如ChatGPT，也是如履薄冰。
百模大戰真不是誇張，而且個個都是市場上頂尖的選手。
AI從業者都清楚，大模型最後的決戰在tob垂直行業模型，核心點在於服務「場景」本身。
誰能將AI跟傳統的互聯網、數字化產業結合起來，誰有可能成為最後的王者。
3.盤古一氣化三清：不做詩，只做事
華為雲的盤古大模型，現在走的正是「場景」這一條路。
如果說ChatGPT熱衷「做詩」，那盤古大模型熱愛「做事」。
而且是「解難題」「做難事」，也就是要幫助行業落地場景實戰。
創造AI「應用場景」，這就是華為雲盤古大模型幹的事。
大模型賽道「看熱鬧」的時期過去了，市場正在對大模型的實用提出要求。
與C端市場的集體狂歡相比，開發者更關心大模型如何在B端行業落地。僅僅只會「Chat」（聊天）是不夠的，還要滿足各種「應用場景「。
那盤古大模型是如何創造AI「應用場景」的呢？看看盤古大模型的「一氣化三清」：
「這是一個具有「5+N+X」三層架構，就是從 AI 能力的基礎層，到行業的第二層，再到應用層面向場景的各個接口，也就是說，它的入口就是「場景」。」
L0 層包括 NLP、視覺、多模態、預測、科學計算五個基礎模型，提供滿足行業場景中的多種技能需求。盤古 3.0 提供了 100 億、380 億、710 億和 1000 億參數等基礎大模型，以匹配不同場景。
L1 層是多個行業大模型，華為雲既可以提供使用行業公開數據訓練的行業通用大模型，包括政務，金融，製造，礦山，氣象等大模型；也可以基於行業客戶的自有數據，在盤古大模型的 L0 和 L1 層上，為客戶訓練自有的專用大模型。
L2 層提供了更多細化場景的模型，更專注於政務熱線、網點助手、先導藥物篩選、傳送帶異物檢測、颱風路徑預測等具體行業應用或特定業務場景，為客戶提供「開箱即用」的模型服務。
4.開天易，創世難
宇宙大爆炸容易，3分鐘之內完成。
但生命世界的形成和演化，並不容易。
經歷了幾百億年，才有了地球上豐富多彩的生態。
人工智能創世，也要演繹萬千世界。
每個場景，又完全不同。
盤古大模型分為更多行業方向，解決人類世界的難題：
礦山、藥物分子、電力、氣象、海浪、鐵路、政務、金融、製造等垂直行業大模型。
這一個個的場景，最難解決。
舉個例子，要想打造一輛超越人類老司機駕駛的頂級汽車的AI汽車行業大模型，有多難？
汽車漫長產業鏈每一個環節、零件都要根據智能自動駕駛重塑，根據需求重新打磨。硬件層面包含車輛硬件、視覺和雷達等多傳感器選型、傳感器布局安裝等；
軟件層面包含數據清洗、數據標註、感知算法、定位算法、決策規劃和執行控制等；
每一個環節客戶都要收集需求信息，覆蓋設計、生產、營銷、研發......
而這只是完成了第一步生態搭建。
假設AI汽車已經熟練通過通常路況，那特殊交通情況呢？雨天、霧天、前方突發事故、指示牌變形......所謂corner case；
這些特殊情況單獨都是小概率，加在一起構成大概率事件，這就是長尾效應。
基於華為雲汽車大模型的自動駕駛場景數據解決方案有這些優點：
01.數據質量更加魯棒，支持位姿偏移自動修正，實現多旅程重建、並進一步仿真和生成新行駛軌跡數據；
02.重建精度高，開闊大場景精度厘米級，誤差小於千分之三，從而實現大視角變換，支持不同車型適配和車道變換；
03.重建場景可按需編輯，支持通過環拍數據進行3D物體重建、並將重建的交通參與者添加到原場景中。
最終突破大場景、高几何精度、多相機融合、前背景光照和諧化等技術難題，實現可控Corner case場景生成。
一個汽車領域，就要耗費盤古如此多的心力和算力。
開天易，創世難。
當然不僅僅只是汽車，盤古大模型的目標是要重塑千行萬業。
5.汗流為雨澤：政務大模型
盤古政務大模型基於多模態大模型的能力，通過千億級參數的NLP大模型對百萬級別的政府政策、公文進行精調，讓它了解城市的事項標準和政策法規。
通過與CV大模型進行多模態融合訓練，除了實現對文本輸入理解，還可以對城市視頻、圖像進行動態解析。
深圳市福田區政數局基於盤古大模型，上線了為市民提供政務服務的智慧助手小福。
對超過20萬條政務數據進行精調，包括12345熱線、政策文件、政務百科等，掌握了豐富的行政法規、辦事流程等政務知識，解決了政務熱線在問題拆解、多重意圖理解、政務政策關聯等方面的難題，讓小福成為既有溫度又極專業的政務服務助手。
現在盤古政務大模型又開始攻克城市治理的難題。城市治理是一項複雜的系統工程，需協同超過40個業務部門，應對4000多個開放場景並關聯上萬條政務法規條例。
例如，在颱風等自然災害過後，城市各種設施可能會受到損壞，如綠化樹倒塌、道路積水等幾百個場景，需協同十幾個部門進行分撥處置，需耗時幾天甚至更長時間。
因此，實現城市事件萬物感知、智能分撥是一項極具挑戰性的任務。
盤古大模型對這些城市事件能做出準確理解，當工作人員確認處理後，盤古能夠將這些開放事件按照優先級，準確分撥至園林綠化、環衛等部門處置，讓城市事件秒級發現，分鐘級分撥，讓城市管理者擁有高效的政務智慧助手。
6.血液為江河：鐵路大模型
在鐵路領域，我國鐵路營業里程15.5萬公里，鐵路貨車超過100萬輛，貨車運行的安全性引起高度的重視，TFDS（Trouble of moving Freight car Detection System，貨車運行故障動態圖像檢測系統）是被廣泛應用的一個檢測系統。
受制於技術發展，TFDS當前仍採用人工方式進行故障識別，尚未完全開展智能識別工作。人力勞動強度大，人力成本高。
例如，貨運列車通常編組為60-100輛，每套TFDS有5個拍攝點位，每輛車/每節車廂拍攝約80張圖片。以平均每列車50輛車廂計算，每列車的拍攝圖片約為4000張，要求檢測人員10分鐘左右看完。其中故障/疑似故障圖片約177張，實際有故障的約20-30張，包括掉漆，劃痕等極小故障。
通過大模型技術，原來人工需要識別4000張圖片，現在僅需要復檢170多張圖片，工人勞動強度下降95.75%，極大提升了檢測效率，同時提升了故障識別率，提高了列車安全性。
在實際應用中，能精準識別67種貨車430+種各類故障，重大異常故障100%識別，綜合故障識別率達99.8%，超過客戶預期。
